Infor mat ics Business Instit ut e Dar majaya
80
1. PENDAHULUAN
Diabetes adalah
salah satu
penyakit yang paling sering diderita dan penyakit kronik yang serius di
Indonesia saat ini. Diabetes Mellitus DM yang umunya dikenal sebagai
kencing manis adalah penyakit yang
ditandai dengan
hiperglisemia peningkatan kadar gula darah yang
terus-menerus dan bervariasi, terutama setelah makan. DM adalah keadaan
hiperglisemia kronik disertai berbagai kelainan metabolik akibat gangguan
hormonal, yang menimbulkan berbagai komplikasi kronik pada mata, ginjal,
dan pembuluh darah, disertai lesi pada membran basalis dalam pemeriksaan
dengan mikroskop electron. Semua jenis DM memiliki gejala yang mirip
dan komplikasi pada tingkat lanjut. Hiperglisemia
sendiri dapat
menyebabkan dehidrasi
dan ketoasidosis. Komplikasi jangka lama
termasuk penyakit
kardiovaskular risiko ganda, kegagalan kronis ginjal
penyebab utama dialisis, kerusakan retina
yang dapat
menyebabkan kebutaan, serta kerusakan saraf yang
dapat menyebabkan impotensi dan gangren
dengan risiko
amputasi. Komplikasi yang lebih serius lebih
umum bila kontrol kadar gula darah buruk. Organisasi Kesehatan Dunia
WHO mengakui tiga bentuk Diabetes Mellitus , yaitu : 1 DM tipe 1
penyebab diabetes yang utama adalah karena kurangnya produksi insulin; 2
DM tipe
2, penyebab
kurang sensitifnya jaringan tubuh terhadap
insulin ; 3 DM pada kehamilan, penyebab resistensi insulin pada masa
kehamilan. DM tipe 1 membutuhkan terapi
insulin,sedangkan DM tipe 2 hanya membutuhkan
insulin apabila
penanganan sebelumnya tidak efektif. Diabetes Mellitus pada kehamilan
umumnya sembuh dengan sendirinya setelah persalinan. Pemahaman dan
partisipasi pasien sangat penting karena tingkat glukosa darah berubah terus.
Kesuksesan menjaga kadar gula darah dalam batasan normal dapat mencegah
terjadinya komplikasi. Faktor lainnya yang dapat mengurangi komplikasi
adalah: berhenti
merokok,
Infor mat ics Business Instit ut e Dar majaya
81
mengoptimalkan kadar
kolesterol, menjaga berat tubuh yang stabil,
mengontrol tekanan darah tinggi, dan melakukan olah raga teratur.
Penyakit DM dapat diderita oleh berbagai lapisan umur, dari mulai anak-
anak sampai dengan orang lanjut usia. Untuk
dapat mengenali
apakah seseorang menderita penyakit Diabetes
Millitus DM dapat dilihat dari gejala- gejala
maupun dengan
cara pemeriksaan darah. Tentu saja hal ini
tidak mudah untuk dilakukan dan memerlukan
bantuan dokter
atau tenaga kesehatan lainnya untuk dapat
mengidentifikasi penyakit ini dengan akurat.
Oleh sebab
itu, diperlukan
sebuah sistem
yang mampu
menganalisa karakteristik
Diabetes Millitus sehingga mempermudah dalam
mengidentifikasi seseorang terkena Diabetes Millitus dan terkena jenis
yang mana. Dengan menggunakan jaringan
saraf tiruan
metode perambatan-balik
backpropagation dapat dibuat sebuah sistem yang
mampu menganalisis
dan mengidentifikasi penyakit Diabetes
Millitus seseorang. Jaringan syaraf tiruan
akan melakukan
diagnosa, dengan menyelidiki nilai variabel biner
dari data, apakah pasien menunjukkan tanda-tanda diabetes menurut kriteria
yang telah ditentukan oleh Organisasi Kesehatan Dunia WHO yaitu jika
ditemukan konsentrasi glukosa plasma 2 jam dalam tes glukosa oral sedikitnya
200 mg dl atau jika ditemukan dalam perawatan medis yang rutin berkala.
Jaringan syaraf tiruan dibangun menggunakan algoritma Feed-Forward
Backpropagation. Langkah awal yang dilakukan adalah dengan melakuan
training pelatihan dengan beberapa data. Setelah pelatihan, jaringan syaraf
tiruan diuji. Diharapkan hasil pengujian dengan jaringan syaraf tiruan yang
dirancang dapat memberikan perkiraan dengan keakuratan lebih dari 90
dengan memperhatikan beberapa faktor pengujian seperti jumlah berapakali
hamil, konsentrasi glukosa plasma 2 jam dalam tes toleransi glukosa oral,
tekanan darah diastolik mm Hg, Triceps ketebalan lipatan mm, 2-Jam
Infor mat ics Business Instit ut e Dar majaya
82
serum insulin mu U ml , Indeks Massa Tubuh berat dalam kg tinggi
dalam m 2, silsilah diabetes, Usia tahun.
Jaringan syaraf tiruan Artifical Neural Network merupakan salah satu
metode soft
computing yang
perkembangannya diinspirasi dari cara kerja syaraf manusia. Implementasi dan
riset jaringan syaraf tiruan berjalan pesat di berbagai bidang seperti
pemetaan pola dan klasifikasi pola, analisis
citra dan
pengkodean, pengolahan
sinyal, optimasi,
manipulasi grafis, pengenalan karakter, robotik, pengolahan pengetahuan dan
sistem pakar, diagnosis kesehatan, peredaman kebisingan, dan sebagainya
Marimin 2009. Di bidang Biometrik, jaringan
syaraf tiruan
berperan dalam
pengklasifikasian pola bersama dengan metode soft computing lainnya seperti
fuzzy logic dan algoritma genetika hingga bisa diimplementasikan secara
nyata saat ini. Metode algoritma jaringan syaraf
tiruan banyak variasinya dari yang paling sederhana seperti Perceptron,
kemudian berkembang
menjadi Adaline Adaptive Linear dan
Madaline Multi-Adaline di bidang pengolahan sinyal. Metode paling
terkenal hingga
saat ini
adalah algoritma
Propagasi balik
Backpropagation yang dikembangkan secara formal oleh Werbos, dan
kemudian Parker serta Rummelhart dan McClelland Siang 2009 .
Jaringan syaraf tiruan Propagasi balik Backpropagation menggunakan
pelatihan terarah supervised training yang memudahkan dalam melakukan
pembelajaran. Dengan merancang data pelatihan yang berupa pasangan pola
input dan
target output
yang diinginkan, maka jaringan syaraf tiruan
Propagasi balik
Backpropagation akan
melakukan pembelajaran
sedemikian rupa sehingga diperoleh hasil yang paling mendekati data
pelatihan. Jaringan syaraf tiruan bersifat
lebih adaptif
dan fleksibel
dibandingkan dengan metode soft computing
lainnya sehingga
Infor mat ics Business Instit ut e Dar majaya
83
memudahkan dalam melakukan ragam variasi dan kombinasi percobaan tanpa
memerlukan banyak perubahan pada kode program.
Arsitektur jaringan syaraf tiruan propagasi
balik Backpropagation
cukup sederhana dan terdiri atas lapisan input dan lapisan output serta di
antaranya terdapat satu atau lebih lapisan antara yang disebut Hidden
Layer. Di setiap lapisan terdapat unit- unit sel yang saling berhubungan satu
sama lain membentuk jaringan seperti gambar 1. dibawah ini.
Gambar 1 Arsitektur Lapisan Jaringan Syaraf Tiruan JST
Gambar 2 Pemrosesan Di Satu Sel Neuron
In p
u ts
Output
Hidden
Infor mat ics Business Instit ut e Dar majaya
84
Gambar 2 menunjukan koneksi antar sel mempunyai bobot W. Output
O adalah fungsi f dari perkalian bobot W dengan input V yang merupakan
output dari sel neuron sebelumnya yang dinyatakan sebagai berikut.
Bias diikutsertakan
dalam penjumlahan dan diasumsikan bernilai
1. Namun, bias ini bersifat pilihan atau bisa digunakan bisa tidak Siang 2009.
f adalah fungsi aktivasi dan yang sering
digunakan adalah
fungsi sigmoid :
Bobot W akan menentukan besarnya nilai output dan nilai bobot W selalu
berubah selama tahapan pembelajaran. Awalnya bobot diberi inisialisasi nilai
acak pada rentang nilai tertentu. Akhirnya setelah pembelajaran selesai,
bobot W
mencapai nilai
yang sedemikian rupa, sehingga untuk setiap
input yang diberikan maka output bernilai
sesuai dengan
pola pembelajaran yang telah dilakukan.
Bobot W adalah pengetahuan yang disimpan dalam JST sebagaimana
halnya informasi yang disimpan dalam jaringan syaraf otak.
Jumlah sel neuron di hidden layer akan menentukan jumlah bobot
W yang dapat disimpan. Beberapa literatur JST mengatakan bahwa : 1
Jumlah sel neuron N
H
terlalu besar mengakibatkan training error menjadi
kecil, namun test error menjadi tinggi; 2 Jumlah sel neuron N
H
terlalu sedikit
berakibat training
error menjadi tinggi dan test error menjadi
tinggi. Dengan mencari nilai optimum,
yakni jumlah sel neuron N
H
tidak terlalu
besar atau
terlalu kecil
sedemikian rupa sehingga training error dan test error mencapai nilai
optimum yang cukup memadai. JST diarahkan dalam proses
pembelajaran dengan
nilai yang
diinginkan target sedemikian rupa sehingga
JST akan
melakukan perubahan bobot W dan nilai output
Infor mat ics Business Instit ut e Dar majaya
85
akan mendekati nilai target. Nilai kesalahan target dengan output
dinyatakan dalam persamaan berikut.
Nilai kesalahan pada hidden unit akan ditentukan secara berulang rekursif
sedemikian rupa oleh unit dan bobot lain yang saling berhubungan secara
langsung sebagai berikut.
Fungsi f harus differensiabel dan dengan fungsi sigmoid dinyatakan
dalam fungsi sebagai berikut.
Nilai kesalahan akan menentukan perubahan bobot dalam persamaan
berikut :
Laju pembelajaran Learning rate η
adalah parameter untuk menentukan seberapa cepat JST mencapai nilai
target yang diinginkan Convergen. Laju pembelajaran berupa konstanta
atau variabel yang berubah setiap kali terjadi perulangan. Bila laju ini terlalu
besar, maka JST bisa terjebak ke dalam kondisi Local Minima yaitu suatu
keadaan dimana JST mengira sudah konvergen dengan tingkat kesalahan
pelatihan yang kecil, namun masih menghasilkan
tingkat kesalahan
pengujian yang besar. Bobot W dalam JST disimpan dan akan dipanggil
kembali saat
dibutuhkan untuk
melakukan pengenalan pola.
2. METODE